JP2016517052A - Collecting machine learning training data for facial expression recognition - Google Patents
Collecting machine learning training data for facial expression recognition Download PDFInfo
- Publication number
- JP2016517052A JP2016517052A JP2015557184A JP2015557184A JP2016517052A JP 2016517052 A JP2016517052 A JP 2016517052A JP 2015557184 A JP2015557184 A JP 2015557184A JP 2015557184 A JP2015557184 A JP 2015557184A JP 2016517052 A JP2016517052 A JP 2016517052A
- Authority
- JP
- Japan
- Prior art keywords
- images
- quality check
- classifier
- image
- computer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
- G06V40/175—Static expression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
機械学習の表情分類器の訓練例を生成するクラウドソーシングパイプラインを実行する、機器、方法、および製造の物品。クラウドソーシング提供者は、指示または目標によって、表情の画像を能動的に生成する。指示または目標は、表情をまねる、またはある状態に見える、または既存の表情認識器を「壊す」ためのものであってもよい。画像は同一のまたは異なるクラウドソーシング提供者により収集および評価され、それから第1の品質基準を満たす画像が専門家により点検される。それから点検された画像は、正例または負例として、機械学習の表情分類器の訓練で使用される。【選択図】なしEquipment, methods, and articles of manufacture that run a crowdsourcing pipeline that generates training examples for machine learning facial expression classifiers. The crowdsourcing provider actively generates facial expressions according to instructions or goals. The indication or goal may be for mimicking a facial expression or appearing in a state or “breaking” an existing facial expression recognizer. Images are collected and evaluated by the same or different crowdsourcing providers, and then images that meet the first quality standard are inspected by a specialist. The inspected image is then used as a positive or negative example in machine learning facial expression classifier training. [Selection figure] None
Description
本出願は、2013年2月8日出願の米国仮特許出願第61/762,820号、”SYSTEM FOR COLLECTING MACHINE LEARNING TRAINING DATA FOR FACIAL EXPRESSION RECOGNITION”の優先権を主張し、その米国仮特許出願の文章、図、請求項、表、および付属物(存在する場合)を記載したコンピュータプログラム、および全ての他の事柄を含んで本明細書内に完全に記載されているかのように、その全ての内容が参照により本明細書に組み込まれる。 This application claims the priority of US Provisional Patent Application No. 61 / 762,820, filed on Feb. 8, 2013, “SYSTEM FOR COLLECTION MACHINE LEARNING TRAINING DATA FOR FACIAL EXPRESSION RECOGNITION”. Computer programs that contain text, figures, claims, tables, and appendices (if any), and all of them as if they were fully described herein, including all other matters The contents are incorporated herein by reference.
この文書は、一般的に、情動、感情状態、アクションユニット、および同様の心理的状態の表情の視覚機械学習分類器の訓練例の収集についての機器、方法、および製造の物品、および、機械学習分類器の訓練におけるそのような訓練例の使用、および、情動、感情状態、アクションユニット、および同様の心理的状態の表情の機械学習分類器に関する。 This document generally describes equipment, methods, and manufacturing articles and machine learning for the collection of training examples of visual machine learning classifiers of facial expressions of emotions, emotional states, action units, and similar psychological states The use of such training examples in classifier training and machine learning classifiers of emotions, emotional states, action units, and similar psychological facial expressions.
情動、感情状態、アクションユニット、および同様の心理的状態の表情の自動認識に関して、多くの利用がある。おそらく、最もよく知られた利用は、デジタルカメラのスマイル検出である。しかし、広告、製品ディスプレイ、ラベル付け、パッケージングおよび価格設定への消費者の反応、討論パフォーマンスの話題および評価への投票者の顔面の反応のような、種々の外部の刺激に応えた顔面の反応の検出を含む他のものがある。この列挙は決して排他的ではない。 There are many uses for the automatic recognition of emotions, emotional states, action units, and similar psychological facial expressions. Perhaps the most well-known use is digital camera smile detection. However, facial responses to various external stimuli, such as consumer responses to advertising, product display, labeling, packaging and pricing, voter face responses to discussion performance topics and ratings, etc. There are others including detection of the reaction. This enumeration is by no means exclusive.
情動、感情状態、および同様の心理的状態の表情の認識を自動化することが望ましい。そのような自動化は認識のコストを減少し、また認識プロセスの結果への客観性の指標を提供する。標準のプログラミング技術を用いて表情、ポーズ、ジェスチャ、および他の顔/身体の動きを定義することは簡単ではないので、情動、感情状態、および同様の心理的状態の表情の自動化された(または機械)認識は、ささいな設計課題ではない。機械学習は、この目的に使用されうる技術の収集である。機械学習は、人工知能システムが例から学ぶこと、実際には訓練データに基き自己適応を実行することを可能にする。これらの技術は、通常は大量の注意深く収集された訓練例のデータセット、例えばさまざまな人、異なる照明条件、種々の民族性および異なる年齢、およびさまざまな顔上の人工物の大量のサンプル画像を必要とする。例は、機械の分類器(認識器)が異なる表情のカテゴリ間を区別する特徴を発見するのを可能にするのに必要とされる。Webから微笑のポーズをとった例は比較的収集しやすいかもしれないが、恐れ、軽蔑、怒り、嫌悪感および他のような情動の実際または実際的な表情の多数の例を収集するのは困難である。 It is desirable to automate the recognition of emotions, emotional states, and similar psychological facial expressions. Such automation reduces the cost of recognition and provides an objective measure of the outcome of the recognition process. Defining facial expressions, poses, gestures, and other facial / body movements using standard programming techniques is not straightforward, so automated facial expressions of emotions, emotional states, and similar psychological states (or Machine) recognition is not a trivial design issue. Machine learning is a collection of techniques that can be used for this purpose. Machine learning allows an artificial intelligence system to learn from examples, and in practice to perform self-adaptation based on training data. These techniques typically produce a large amount of carefully collected training example datasets, such as large numbers of sample images of different people, different lighting conditions, different ethnicities and different ages, and different facial artifacts. I need. An example is needed to allow a machine classifier to recognize features that distinguish between different facial expression categories. Examples of smiling poses from the web may be relatively easy to collect, but collecting a large number of examples of actual or actual facial expressions of emotion such as fear, contempt, anger, disgust and others Have difficulty.
知られた刺激への反応であろうと他であろうと、表情、ポーズ、ジェスチャ、および他の顔/身体の動きによって表されたように心理状態を自動的に検出および分類する、改善された方法および機器のニーズが存在する。情動、感情状態、および同様の心理的状態の表情の自動分類器を訓練するのに使用可能なデータを生成および収集する効率的な方法のニーズもまた存在する。 An improved method of automatically detecting and classifying psychological states as represented by facial expressions, poses, gestures, and other facial / body movements, whether in response to known stimuli or otherwise And there is a need for equipment. There is also a need for an efficient method of generating and collecting data that can be used to train an automatic classifier of facial expressions of emotions, emotional states, and similar psychological states.
この文書で記載される実施形態は、前述および他のニーズの1つまたは複数を満たしうる方法、機器、および製造の物品を対象とする。 The embodiments described in this document are directed to methods, equipment, and articles of manufacture that can meet one or more of the foregoing and other needs.
実施形態で、コンピュータにより実行される方法は、予め定められた表情をまねるため、第1の複数の訓練されていない提供者に指示を提供するステップと、指示を提供するステップに応え、生成された画像を第1の複数の訓練されていない提供者から受信するステップと、画像を評価する要求を、第2の複数の訓練されていない提供者に送信するステップと、要求を送信するステップに応え、第2の複数の訓練されていない提供者の評価を受信するステップと、第2の複数の訓練されていない提供者により評価された画像に、第1の品質チェックをかけ、第1の品質チェックは第2の複数の訓練されていない提供者の評価に基き、第1の品質チェックをかけるステップは第1の品質チェックに合格した複数の画像をもたらすステップと、1人または複数の専門家による評価のため、第1の品質チェックに合格した複数の画像を、1人または複数の専門家に送信するステップと、複数の画像を送信するステップに応え、1人または複数の専門家から評価を受信するステップと、1人または複数の専門家に評価された画像に第2の品質チェックをかけ、第2の品質チェックは1人または複数の専門家の評価に基き、第2の品質チェックをかけるステップは第2の品質チェックに合格した1つまたは複数の画像をもたらすステップと、第2の品質チェックに合格した1つまたは複数の画像を用いて、分類器を訓練するステップと、訓練のステップの後、分類器を使用するステップを含む。 In an embodiment, a computer-implemented method is generated in response to providing instructions to a first plurality of untrained providers and providing instructions to mimic a predetermined facial expression. Receiving a first image from a first plurality of untrained providers, transmitting a request to evaluate the image to a second plurality of untrained providers, and transmitting the request. In response, receiving a second plurality of untrained provider evaluations, subjecting the images evaluated by the second plurality of untrained providers to a first quality check, The quality check is based on the evaluation of the second plurality of untrained providers, and the step of applying the first quality check yields a plurality of images that pass the first quality check; Or one or more responding to the steps of transmitting a plurality of images that have passed the first quality check to one or more experts and the step of transmitting the plurality of images for evaluation by a plurality of experts. Receiving a rating from one of the experts and applying a second quality check to the image evaluated by one or more experts, wherein the second quality check is based on the evaluation of one or more experts, Applying the second quality check results in one or more images that pass the second quality check, and trains the classifier using the one or more images that pass the second quality check. And using a classifier after the training step.
実施形態で、コンピュータにより実行される方法は、予め定められた表情の分類器を壊すため、第1の複数の訓練されていない提供者に目標を提供するステップと、目標を提供するステップに応え、生成された画像を第1の複数の訓練されていない提供者から受信し、複数の受信された画像をもたらすステップと、受信された画像を分類器でチェックし、提供された目標の客観的な目標を満たさない画像を廃棄し、客観的に適格な画像をもたらすステップと、客観的に適格な画像を評価する要求を、第2の複数の訓練されていない提供者に送信するステップと、要求を送信するステップに応え、第2の複数の訓練されていない提供者の評価を受信するステップと、第2の複数の訓練されていない提供者により評価された画像に、第1の品質チェックをかけ、第1の品質チェックは第2の複数の訓練されていない提供者の評価に基き、第1の品質チェックをかけるステップは第1の品質チェックに合格した複数の画像をもたらすステップと、1人または複数の専門家による評価のため、第1の品質チェックに合格した複数の画像を、1人または複数の専門家に送信するステップと、複数の画像を送信するステップに応え、1人または複数の専門家から評価を受信するステップと、1人または複数の専門家に評価された画像に第2の品質チェックをかけ、第2の品質チェックは1人または複数の専門家の評価に基き、第2の品質チェックをかけるステップは第2の品質チェックに合格した1つまたは複数の画像をもたらすステップと、第2の品質チェックに合格した1つまたは複数の画像を用いて分類器を訓練するステップと、訓練のステップの後に分類器を使用するステップを含む。 In an embodiment, a computer-implemented method is responsive to providing a goal to a first plurality of untrained providers and providing a goal to break a predetermined facial expression classifier. Receiving the generated images from a first plurality of untrained providers and providing a plurality of received images; and checking the received images with a classifier and providing an objective for the provided target Discarding images that do not meet certain objectives and providing objectively qualified images; sending a request to evaluate the objectively qualified images to a second plurality of untrained providers; In response to sending the request, receiving a second plurality of untrained provider ratings, and images evaluated by the second plurality of untrained providers include a first quality check. The first quality check is based on the evaluation of the second plurality of untrained providers, and the step of applying the first quality check results in a plurality of images that pass the first quality check. And responding to the steps of sending a plurality of images that have passed the first quality check to one or more specialists and sending the plurality of images for evaluation by one or more experts, Receiving a rating from one or more experts and performing a second quality check on the image evaluated by the one or more experts, wherein the second quality check is performed by one or more experts. Based on the evaluation, the step of applying a second quality check includes providing one or more images that pass the second quality check, and one or more images that pass the second quality check. A step of training a classifier using includes using a classifier after step training.
これらおよび他の機能および態様は、後述の記載、図、および添付の請求項を参照してよりよく理解される。 These and other features and aspects are better understood with reference to the following description, figures, and appended claims.
この文書内で、「実施形態」、「変形」、「例」の語および同様の表現は、特定の機器、プロセスまたは製造の物品を指し、必ずしも同一の機器、プロセスまたは製造の物品を指さない。よって、ある箇所または文脈内で使用される「1つの実施形態」(または同様の表現)は、特定の機器、プロセスまたは製造の物品を指すかもしれない。異なる箇所または文脈内の同一のまたは同様の表現は、異なる機器、プロセスまたは製造の物品を指すかもしれない。「代替的な実施形態」および同様の表現および語句を、多数の異なる可能な実施形態のうちの1つを示すのに使用するかもしれない。可能な実施形態/変形/例の数は、必ずしも2またはいずれの他の数量に必ずしも限定されない。「例示的」としての項目の特徴は、その品目が1つの例として使用されることを意味する。そのような実施形態/変形/例の特徴は、その実施形態/変形/例が望ましいことを必ずしも意味しないが、その実施形態/変形/例が現在望ましいものでない必要はないかもしれない。全ての実施形態/変形/例は例示の目的のために記載され、必ずしも厳密に限定しない。 Within this document, the words “embodiment”, “variation”, “example” and similar expressions refer to specific equipment, processes or articles of manufacture, and do not necessarily refer to the same equipment, processes or articles of manufacture. Absent. Thus, "one embodiment" (or similar expression) used within a place or context may refer to a particular device, process or article of manufacture. The same or similar expressions in different places or contexts may refer to different equipment, processes or articles of manufacture. “Alternative embodiments” and similar expressions and phrases may be used to indicate one of many different possible embodiments. The number of possible embodiments / variations / examples is not necessarily limited to two or any other quantity. The feature of an item as “exemplary” means that the item is used as an example. The features of such embodiments / variations / examples do not necessarily imply that the embodiments / variations / examples are desirable, but may not require that the embodiments / variations / examples are not currently desirable. All embodiments / variations / examples are described for illustrative purposes and are not necessarily strictly limiting.
「接続」、「接合」および同様の表現、およびそれらの屈折形態素は、即時または直接の接続を必ずしも意味しないが、その意味の中に介在する構成要素を通した接続を含む。 “Connection”, “junction” and similar expressions, and their refractive morphemes, do not necessarily imply immediate or direct connection, but include connection through intervening components within that meaning.
画像またはビデオに関連する「感情」情報は、感情、認識、生理学的および/または行動反応のような、種々のタイプの心理的反応を含み、記録された生信号およびそれらの解釈の両方を含む。個人の感情、認識、生理学的または行動反応の観点からの刺激への特定の個人の反応を表しまたは記載する関連情報は、この記載では感情情報とよぶ。感情情報は、記憶、連想などのような、心理的および生理学的反応に起因しうる。 “Emotion” information associated with an image or video includes various types of psychological reactions, such as emotional, cognitive, physiological and / or behavioral responses, including both recorded raw signals and their interpretation . Related information that represents or describes a particular individual's response to a stimulus in terms of individual emotion, perception, physiological or behavioral response is referred to as emotional information in this description. Emotional information can be attributed to psychological and physiological responses such as memory, associations, and the like.
「表示される状態を起こす」、および類似の表現は、結果として表示する1つまたは複数の行動をとることをいう。(スマートフォンまたはタブレットのような)プログラムコード制御下のコンピュータまたはモバイル装置は、例えばコンピュータのユーザに写真および/または文章を表示する状態を起こすかもしれない。また、プログラムコード制御下のサーバコンピュータは、インターネットのようなネットワークを通じて、クライアントコンピュータまたはモバイル装置によるアクセスが可能なwebページまたは他の情報を作成することによって、webページまたは他の情報が表示される状態を起こすかもしれず、クライアントコンピュータまたはモバイル装置はそれからコンピュータまたはモバイル装置のユーザにwebページを表示してもよい。 “Awaken the displayed state” and similar expressions refer to taking one or more actions to display as a result. A computer or mobile device under program code control (such as a smartphone or tablet) may cause a state of displaying pictures and / or text to a computer user, for example. Also, a server computer under program code control displays a web page or other information by creating a web page or other information that can be accessed by a client computer or mobile device over a network such as the Internet. A state may occur, and the client computer or mobile device may then display a web page to the user of the computer or mobile device.
「実行される状態を起こす」および類似の表現は、結果として表示、および/または音を生成および発する1つまたは複数の行動をとることをいう。これらの表現は、それらの意味の中に、上記で定義したような「表示される状態を起こす」表現を含む。またこれらの表現は、それらの意味の中に、音を出す状態を起こすことを含む。 “Awaken the state to be performed” and similar expressions refer to taking one or more actions that result in the generation and / or generation of sounds. These representations include in their meaning “representing the state to be displayed” as defined above. These expressions also include causing a state of producing sound within their meaning.
訓練データとして使用される「画像」の言及は、静止画像、ビデオ、および静止画像とビデオの両方をいう。「写真」は静止画像である。「ビデオ」は運動画像をいう。 Reference to “image” used as training data refers to still images, video, and both still images and video. A “photo” is a still image. “Video” refers to motion images.
この文書で使用される「表情」は、(怒り、軽蔑、嫌悪感、幸福、悲しみ、驚き、中間のような)主要な情動の表情、ならびに(退屈、興味、没頭のような)対象となる感情状態の表情、およびいわゆる「アクションユニット」(個々の筋肉の移動を含む顔の一組の筋肉の移動)を示す。「表情」の語は、頭部のポーズおよびジェスチャを含む。 The “facial expressions” used in this document are subject to major emotional expressions (such as anger, contempt, disgust, happiness, sadness, surprise, middle), and (such as boredom, interest, immersion) The emotional state expressions and so-called “action units” (a set of muscle movements of a face including movements of individual muscles) are shown. The term “expression” includes head poses and gestures.
この文書で使用される「精神状態」は、情動、感情状態、または同様の心理的状態を意味する。「情動、感情状態、および同様の心理的状態の表情」は、情動、感情状態、および同様の心理的状態の表情を意味する。 As used in this document, “mental state” means emotion, emotional state, or similar psychological state. “Expression of emotion, emotional state, and similar psychological state” means emotional, emotional state, and facial expressions of similar psychological state.
この文書で使用される分類器は、データサンプルの分類で誤りを犯すとき、「壊れ」または「壊される」。よって分類器は、それが人々に対象の情動または感情状態の表情の発現に見えない画像内の対象の情動または感情状態を検出するときに壊れる。分類器はまた、対象の情動または感情状態の表情の発現に見える画像内の対象の情動または感情状態の検出に失敗するときに壊れる。 The classifier used in this document is “broken” or “broken” when it makes an error in classifying data samples. Thus, the classifier breaks when it detects the emotion or emotional state of the object in the image that is not visible to the expression of the emotional or emotional state expression of the subject. The classifier also breaks when it fails to detect the subject's emotion or emotional state in an image that appears to be an expression of the emotional or emotional state of the subject.
他のおよびさらなる明示的および暗示的定義、および定義の説明は、この文書を通して見出しうる。 Other and further explicit and implicit definitions and explanations of definitions can be found throughout this document.
添付の図に示されるいくつかの実施形態に、詳細に言及する。同一の機器の構成要素および方法ステップを述べるのに、図および記載中で同一の参照番号を使用する。図は簡略化された形態であり、縮尺通りではなく、記載されるシステムおよび方法に追加可能な機器の構成要素および方法ステップを省略するが、場合により特定の任意の構成要素およびステップを含む。 Reference will now be made in detail to several embodiments illustrated in the accompanying figures. The same reference numbers are used in the figures and the description to describe the same equipment components and method steps. The figures are in simplified form and are not to scale and omit equipment components and method steps that may be added to the described systems and methods, but optionally include certain optional components and steps.
好都合なことに、訓練データとしての使用、および/または他の目的のために、精神状態の表情の現実的な訓練例を生成するよう、真似を用いることが可能である。一例で、データはWebを通して収集される。ユーザはカメラ搭載の通信装置を有し、彼らの顔の画像をサーバへ送信可能である。これは、Amazon Mechanical Turkのようなクラウドソーシングサービスを用いて行ってもよい。 Conveniently, imitation can be used to generate realistic training examples of mental state facial expressions for use as training data and / or for other purposes. In one example, data is collected through the web. Users have a camera-equipped communication device and can send images of their faces to the server. This may be done using a crowdsourcing service such as Amazon Mechanical Turk.
Amazon Mechanical Turkは、「リクエスタ」が、コンピュータがこの時点で実行するには十分に装備されていない作業のような、種々の作業について人間の知性の使用を管理するのを可能にする、クラウドソーシングのインターネットベースのリソースである。リクエスタは、「提供者」または「ターカ」がリクエスタにより設定された報酬で実行可能な作業を掲示することができる。「ターカ」、「リクエスタ」、または「提供者」および関連する語がAmazonのリソースを必ずしも示さず、あらゆるクラウドソーシングリソースに適用することに留意されたい。 Amazon Mechanical Turk is a crowdsourcing that allows "requesters" to manage the use of human intelligence for various tasks, such as those that are not well equipped to perform at this point in time. Is an internet-based resource. The requester can post work that the “provider” or “tarker” can perform with the reward set by the requester. Note that “Turker”, “Requester”, or “provider” and related terms do not necessarily indicate Amazon resources and apply to any crowdsourcing resource.
図1は、本記載の選択された態様により構成された、通信ネットワーク190を通して(パーソナルコンピュータまたはPC、スマートフォン、タブレット、ネットワーク可能なカメラのような)提供者マシン180において、クラウドソーシング提供者と対話する、コンピュータベースシステム100の単純化したブロック図の表示である。特に、システム100および提供者機器180を、この文書で記載するように、真似の利用を通して訓練データを取得するのに使用するよう構成してもよい。
FIG. 1 illustrates interacting with a crowdsourcing provider at a provider machine 180 (such as a personal computer or PC, smartphone, tablet, networkable camera) through a communication network 190 configured in accordance with selected aspects of the present description. FIG. 2 is a simplified block diagram representation of computer-based
図1は、システム100または提供者機器180の多くのハードウェアおよびソフトウェアモジュールを示さず、いくつかの物理接続および論理接続を省略する。システム100を、この文書で記載される方法のステップを実行するよう構成された特殊用途データプロセッサ、汎用コンピュータ、コンピュータシステム、またはネットワーク化されたコンピュータまたはコンピュータシステム群として実施してもよい。いくつかの実施形態では、システム100は、WintelPC、Linux(登録商標)コンピュータ、またはMacコンピュータのようなパーソナルコンピュータプラットフォーム上に構築される。パーソナルコンピュータは、デスクトップまたはノートブックコンピュータであってもよい。システム100は、サーバコンピュータとして機能してもよい。いくつかの実施形態では、システム100は、ネットワーク190、または他のネットワークのようなネットワークにより相互接続された複数のコンピュータとして実施される。
FIG. 1 does not show many hardware and software modules of
図1に示されたように、システム100は、プロセッサ110、読み出し専用メモリ(ROM)モジュール120、ランダムアクセスメモリ(RAM)モジュール130、ネットワークインタフェース140、大容量記憶装置150、およびデータベース160を有する。これらの構成要素は、バス115によりともに接続される。示された実施形態で、プロセッサ110はマイクロプロセッサであってもよく、大容量記憶装置150は磁気ディスクドライブであってもよい。大容量記憶装置150およびメモリモジュール120および130のそれぞれは、プロセッサ110に接続され、プロセッサ110がこれらの格納および記憶装置内へデータを書き込み、これらの装置からデータを読み出すことを可能にする。ネットワークインタフェース140は、プロセッサ110を、ネットワーク190、例えばインターネットへ接続する。ネットワーク190の特質、およびシステム100とネットワーク190間に置かれるかもしれない装置の特質が、システム100内で使用されるネットワークインタフェース140の種類を決定する。いくつかの実施形態では、例えばネットワークインタフェース140は、システム100をローカルエリアネットワークに接続するイーサネット(登録商標)インタフェースであり、それが次にインターネットに接続する。従ってネットワーク190は、実際にネットワークの集合体を含んでもよい。
As shown in FIG. 1, the
データベース160を、この文書で記載される方法ステップの実行で必要とされるまたは所望されるかもしれないデータの編成および格納に使用してもよい。データベース160は、プロセッサ110に接続された、物理的に分離したシステムであってもよい。代替的な実施形態で、プロセッサ110および大容量記憶装置150を、データベース160の機能を実行するよう構成してもよい。 Database 160 may be used to organize and store data that may be required or desired in performing the method steps described in this document. Database 160 may be a physically separate system connected to processor 110. In an alternative embodiment, processor 110 and mass storage device 150 may be configured to perform the functions of database 160.
プロセッサ110は、ROMモジュール120、RAMモジュール130、および/または記憶装置150内に格納されたプログラムコード命令を読み出しおよび実行してもよい。プログラムコードの制御下で、プロセッサ110は、システム100をこの文書で記載または言及された方法のステップを実行するよう構成してもよい。ROM/RAMモジュール120/130および記憶装置150に加え、プログラムコード命令を、追加のハードドライブ、フロッピー(登録商標)ディスク、CD−ROM、DVD、フラッシュメモリおよび同様の装置のような他の機械可読な有形の記憶媒体内に格納してもよい。プログラムコードをまた、送信媒体、例えば電気配線上で、光ファイバを通して、無線で、またはあらゆる他の物理的送信の形態により送信してもよい。送信は、通信機器間の専用リンク上で、またはインターネット、イントラネット、エクストラネット、またはあらゆる他の種類の公衆ネットワークまたはプライベートネットワークのようなワイドエリアまたはローカルエリアネットワークを通して行うことが可能である。プログラムコードをまた、ネットワークインタフェース140または他のネットワークインタフェースを通してシステム100内にダウンロードしてもよい。
The processor 110 may read and execute program code instructions stored in the ROM module 120, the RAM module 130, and / or the storage device 150. Under control of the program code, the processor 110 may configure the
実施形態で、システム100は、提供者がマシン180においてシステム100により指定された人間の知的作業(”HIT”)を実行するのを可能にする、クラウドソーシングサーバとして機能してもよい。作業の記載を、システム100の記憶装置のうちの1つの中で予め定めて格納してもよく、またはシステム100により他の装置または個人から受信してもよい。当業者は、クラウドソーシング機能を実行するAmazon Mechanical Turkを実行するAmazon Webサービスに精通しているはずである。
In an embodiment, the
システム100は、提供者から受信された情報をデータベース内に格納してもよく、データベースをシステム100の構成要素、および/または他の構成要素とともに実施してもよい。提供者からの情報を格納するデータベースは、データベース160であってもよい。
The
図2は、対象の表情のクラウドソーシング提供者例の表示、提供者にそれらの表情をまねするよう求めること、および画像からの訓練例の選択/使用のプロセス200の選択されたステップを示す。実施形態で、例のいくつかまたは全てを、顔面動作符号化システム(FACS)、または他の研究のアクションユニットのような、顔の動きを記述するシステムの構成要素の観点から記載された顔の動きを通して検出可能な情動とその表情の間の関係に基き選択してもよい。
FIG. 2 shows selected steps of a
フローポイント201で、システム100および少なくともいくつかの提供者マシンが、互いに通信し、プロセスの他のステップを実行するよう構成される。種々の提供者が異なる時間にシステム100と通信してもよく、従ってそれらのマシンを異なる時間に構成してもよいことに留意されたい。
At
ステップ205で、第1のセットの提供者の1人または複数の提供者は、彼らが真似/再現すべき表情の特徴についての指示を与えられる。指示は、することの言語(音、記述)命令、真似または再現する写真/ビデオ、表情を記載するオンラインまたは他の資料への情報提供、他の指示、およびこれらの全ての組み合わせを含んでもよい。第1のセットの提供者は、顔の表情認識において特別に訓練する必要はない。例えば、システム100および提供者のそれぞれの機器は、例の表情(またはその一部)を提供者に表示する状況を起こし、および/または表情または表情の一部(「このように見える」、「怖いように見える」、「退屈しているように見える」、「幸せそうに見える」、「興奮しているように見える」、「おびえているように見える」、「熱中しているように見える」、「このたぐいのしわをつくる」、「驚いたように眉を上げる」、「表示された顔の部分を見てまねる」)をまねするよう、提供者へ命令を表示または実行する状況を起こす。例および/または命令をデータベース160内または他のどこかに格納してもよく、ネットワーク190を通して、郵便で、または他の方法で提供者に送信してもよい。
At
ステップ210で、第1のセットの提供者は、表情をつくりそれを撮る。例えば、表情をつくり、彼らのそれぞれの機器180内のスチールまたはビデオカメラを用いる。再度述べるが、ここおよび他の箇所で、提供者は異なる時間にそのステップを実行してもよい。
At
ステップ215で、第1のセットの提供者は、その表情の画像をシステム100へ提出する。例えば、画像がネットワーク190を通して送信される状況を起こす。
In
ステップ220で、システム100は、例えばネットワーク190を通してその表情の画像を受信する。
In
ステップ225で、第2のセットの提供者の1人または複数は、予め定められた基準のセットに関して、第1のセットの提供者からの表情の画像を評価するよう求められる。第2のセットの提供者もまた、顔の表情認識において特別に訓練する必要はない。例えば、システム100および/または第2のセットの提供者のそれぞれの機器180は、第2のセットの提供者に基準および/または質問を表示する状況を起こす。例えばこれを、画像を表示して「これは微笑に見えるか?」と問うことによって実行してもよい。表示された情報(基準/質問)が、第2のセットの提供者に、表示された表情が怒り、軽蔑、嫌悪感、恐怖、幸福、悲しみ、驚きまたは他の表情、感情状態、またはアクションユニットのような特定の情動にどれほどよく合致するかたずねてもよい。特定の情動、感情状態、またはアクションユニットは、第1の状態の提供者がまねするよう求められたものと同一であってもよい。表示された質問はまた、または代わりに、(ステップ210〜220で以前得られた)表示された表情が、(ステップ205で第1のセットの提供者に与えられまたは定義された)サンプル表情をどれほどよくまねているかをたずねてもよい。実施形態で、第2のセットの提供者に、それぞれの表情を合格または不合格にするよう求めてもよい。実施形態で、第2のセットの提供者に、表情に点数を付けるよう求めてもよい。点数は、1.全然似ていない、2.うまくない、3.OK、4.かなりうまい、5.とてもうまくまねしている、のようなものでもよい。
At
実施形態で、第2のセットの提供者は、第1のセットの提供者と全く異なる。実施形態で、第2のセットの提供者と第1のセットの提供者の間で、少なくとも一部、または完全に重複してもよい。変形で、必ずしも限定しないが、提供者は自身が提出したその表情の画像を評価するよう求められない。 In an embodiment, the second set of providers is completely different from the first set of providers. In embodiments, there may be at least partial or complete overlap between the second set of providers and the first set of providers. Variations, but not necessarily limited, do not require the provider to evaluate the facial image submitted by the provider.
ステップ230で、ステップ225に応じて実行してもよいが、第2のセットの提供者が、評価された表情のそれぞれがまねされた表情にどれほどよく合致するか、または表情のそれぞれがどれほど予め定められた基準内にあるかを評価する。機器180は、第2のセットの提供者により与えられた評価を受信し、それらを例えばネットワーク190を通してシステム100へ送信してもよい。評価は、単純なはい/いいえであってもよく、または1から10の段階評価または文字評価のようなより複雑なものであってもよい。
Step 230 may be performed in response to step 225, but the second set of providers will show how well each of the evaluated facial expressions matches the simulated facial expression, or how much of each of the facial expressions Evaluate whether it is within established standards. The
ステップ232で、第1のセットの提供者から受信された画像が第1の予め定められた品質基準を用いてテストされ、ステップ235で、第1の予め定められた品質基準に合格した画像が、表情の専門家の要員により点検されるよう、(例えばシステム100からネットワーク190を通って電子的に)送信される。第1の品質基準は、例えば、訓練されていない提供者の少なくともN人が、表情が情動Xのそれに合致すると同意することであってもよい。数字Nは、絶対値の予め定められた閾値の数字(例えば5人)、度合の予め定められた閾値の数字(10人のうち6人のようなM人のうちN人)、予め定められた閾値の割合(例えば65%)であってもよい。ここで与えられた割合および数字は例示的なものであり、必ずしも限定するものではない。
At
ステップ240で、システム100は、点検された画像のそれぞれについて専門家の判断を受信し、その判断を格納する。例えばシステム100は、ネットワーク100を通じて専門家の判断を受信してもよい。
At
ステップ245で、正例として画像を受け付けるため、第2の予め定められた品質基準が使用される。第2の品質基準を、例えば、少なくともP人の専門家が表情が情動Xのそれと合致すると同意するといった、第1の予め定められた品質基準が設定された方法と類似の方法で設定してもよい。数字Pは、絶対数、段階の数字、または割合であってもよい。
At
実施形態で、1人の専門家のみが用いられる。1人の専門家に、例えば画像を合格/不合格の原則で評価するよう、またはそれぞれの特定のタイプの表情に関する画像にまたは2、3またはそれ以上の可能な等級の中から等級を選択し定めるよう求めてもよい。他の実施形態では、2人、3人、またはそれ以上の専門家を用いてもよい。 In an embodiment, only one expert is used. Choose a grade from one expert, for example to evaluate the image on a pass / fail principle, or to an image for each particular type of facial expression, or from two, three or more possible grades You may ask for it. In other embodiments, two, three, or more professionals may be used.
ステップ250で、システムは、専門家が点検した画像のいくつかまたは全てを、表情認識器(分類器)の訓練データとして選択する。例えば、利用可能な訓練画像の全てまたは予め定められた部分、または予め定められた数の画像を選択してもよい。
In
ステップ255で、表情認識器が訓練データを用いて訓練される。このステップで用いうるいくつかの機械学習技術を、この文書の後ろおよび他の箇所で記述する。他の機械学習および最適化技術を用いてもよい。
At
ステップ260で、ステップ255で訓練された表情認識器が使用される。例えば、機器をカメラの中に実装し、カメラのユーザが特定の表情の画像を自動的に撮るのを可能にしてもよい。他の例として、表情認識器は、広告のような特定の刺激に触れることからもたらされる人々の反応を判断してもよい。さらに他の例として、表情認識器を、ユーザのコンピュータまたはネットワーク上で(おそらくブラウザを通して)実行し、ユーザが種々の表情を作る中で自己訓練を可能にしてもよい。ユーザは、ユーザの画像(写真/ビデオ)を撮り、分類器を使用して与えられた表情(不安、注意、喜びなど)の存在について画像を評価することが可能であってもよい。
At
フローポイント299で、プロセスは終了する。必要に応じて全体または一部を繰り返してもよい。
At
プロセス200は、既知の「正例」を生じる。言い換えれば、例は、合致したとして得られた特定の表情である。重要なことは、2つの表情が両立しないことが知られる場合(例えば「幸福」と「悲しみ」)、ある表情(x)の正例は他の表情(y)の負例とみなされうることである。また、特定の情動、感情状態、またはアクションユニットの表情に乏しいと評価する画像を、同一の情動、感情状態、またはアクションユニットのそれの負例として機械学習で使用してもよい。よって、ステップ255の訓練は、正例(x)の表情の肯定的な認識について、または他の(負の)情動(y)のそれとしての同一の表情の不認識についての訓練であってもよい。
プロセス200のステップ225から250を、表情認識器の訓練のための正例および負例の両方を生成するコストを減少する「パイプライン」とみなしてもよい。よって、全ての種類の顔の画像を種々の手段(例えばwebサーチから)により収集し、パイプラインを通して正例または負例のどちらかを生成してもよい。負例について、第2のセットの提供者に、それぞれの画像が明らかに目的の情動の表情でないかどうか尋ねてもよい。図3のプロセス300は、負例の生成へのこのアプローチを示す。
ステップ325はステップ225に類似するが、正例ではなく負例の生成に適応する。よって、(第2のセットまたは第2のセットと同様でありうる第3のセットの)1人または複数の提供者は、予め定められた基準のセットに関して、第1のセットの提供者からの表情の画像を評価するよう求められる。これらの提供者もまた、顔の表情認識において特別に訓練する必要はない。例えば、システム100および/またはそれぞれの提供者の機器180は、提供者に基準および/または質問が表示される状態を起こす。例えば、画像を表示し、「これは微笑に見えるか?」と尋ねる。表示される情報(基準/質問)は、第2のセットの提供者に、表示された表情が怒り、軽蔑、嫌悪感、恐怖、幸福、悲しみ、驚きまたは他の表情、または感情状態のような特定の情動にどれほどよく合致するかたずねてもよい。特定の情動、感情状態、またはアクションユニットは、第1の状態の提供者がまねするよう求められたものと同一であってもよい。情動、感情状態、またはアクションユニットは、画像を生成した提供者がまねした情動、感情状態、またはアクションユニットと異なってもよい。実施形態で、第2のセットの提供者に、表情に合格/不合格の評価をするよう求めてもよい。実施形態で、第2のセットの提供者に、表情に点数を付けるよう求めてもよい。点数は、1.全然似ていない、2.うまくない、3.OK、4.かなりうまい、5.とてもうまくまねしている、のようなものでもよい。
Step 325 is similar to step 225, but adapts to the generation of negative examples rather than positive examples. Thus, one or more providers (of the third set, which may be similar to the second set or the second set), from the provider of the first set with respect to a predetermined set of criteria. You are asked to evaluate the facial expression image. These providers also need not be specially trained in facial expression recognition. For example, the
実施形態で、第2のセットの提供者は、第1のセットの提供者と全く異なってもよく、または第2のセットの提供者と第1のセットの提供者の間で、少なくとも一部、または完全な重複があってもよい。変形で、必ずしも限定しないが、提供者は自身が提出したその表情の画像を評価するよう求められない。 In an embodiment, the second set of providers may be completely different from the first set of providers, or at least in part between the second set of providers and the first set of providers. Or there may be complete overlap. Variations, but not necessarily limited, do not require the provider to evaluate the facial image submitted by the provider.
ステップ330で、ステップ230と同一または類似であるが、システム100は提供者の応答を受信し、応答はステップ325に応えて生成される。
At
ステップ332で、ステップ232と同一または類似であるが、第1のセットの提供者から受信された画像が第1の予め定められた品質基準を用いてテストされる。ステップ335で、ステップ235と類似であるが、第1の予め定められた品質基準に合格した画像が、表情の専門家の要員により点検されるよう、(例えばシステム100からネットワーク190を通って電子的に)送信される。第1の品質基準は、例えば、訓練されていない提供者の少なくともN人が、表情が情動Xの下手な表情であると同意することであってもよい。数字Nは、絶対値の予め定められた閾値の数字(例えば5人)、度合の予め定められた閾値の数字(10人のうち6人のようなM人のうちN人)、予め定められた閾値の割合(例えば65%)であってもよい。ここで与えられた割合および数字は例示的なものであり、必ずしも限定するものではない。
At
ステップ340で、専門家の判断/評価が、例えばネットワーク190を通してシステム100により受信される。
At
ステップ335で、ステップ245と同一または類似であるが、負例として画像を受け付けるため、第2の予め定められた品質基準を使用する。第2の品質基準を、例えば、少なくともP人の専門家が表情が情動Xの下手な表情であると同意するといった、第1の予め定められた品質基準が設定された方法と類似の方法で設定してもよい。数字Pは、絶対数、段階の数字、または割合であってもよい。実施形態で、1人の専門家のみが用いられる。1人の専門家に、例えば画像を合格/不合格の原則で評価するよう、またはそれぞれの特定のタイプの表情に関する画像にまたは2、3またはそれ以上の可能な等級の中から等級を選択し定めるよう求めてもよい。他の実施形態では、2人、3人、またはそれ以上の専門家を用いてもよい。
In
ステップ350で、ステップ250と同一または類似であるが、システムは、専門家が点検した画像のいくつかまたは全てを、表情認識器の訓練データとして選択する。しかしここでは、訓練データは負例である。例えば、利用可能な訓練画像の全てまたは予め定められた部分、または予め定められた数の画像を選択してもよい。
At
パイプライン(正および負の両方)の目標は、例として受け付けられた画像あたりのコストおよび時間を最小化することである。よって、選択のためのパラメータの設定(第1および第2の予め定められた基準)は、コストの効用に基いてもよい。コストの効用は、時間およびコストの加重した組み合わせに基いてもよいし、または単に訓練されていない提供者のコストと専門家のコストの両方からなる実際のコストに基いてもよい。訓練されていない対象者の数および専門家の応答能力の関数としてコストの効用を最小化するよう、数学モデルを使用してもよい。これらのパラメータを、機械学習に加えられる強化学習アプローチを用いて、さらに調整してもよい。 The goal of the pipeline (both positive and negative) is to minimize the cost and time per image accepted as an example. Thus, the setting of parameters for selection (first and second predetermined criteria) may be based on cost utility. Cost utility may be based on a weighted combination of time and cost, or it may be based on actual costs consisting of both untrained provider costs and expert costs. A mathematical model may be used to minimize the utility of costs as a function of the number of untrained subjects and the ability of experts to respond. These parameters may be further adjusted using a reinforcement learning approach that is added to machine learning.
よって、前述のアプローチを用いて収集された訓練データを、機械学習方法(例えばパターン認識器、ニューラルネットワーク、サポートベクタマシン、アダブーストおよび可能な他のタイプの分類器)を用いて第1世代の表情認識システムを開発するのに使用してもよい。技術をさらに、表情認識器のいくつかのバージョン(例えば現在のバージョン)を「壊す」データを収集するのに広げることが可能である。よってシステムを、クラウドソーシングプロバイダに、システムが誤った画像例を送信するよう求めるように構成してもよい。これはまた、データを中央サーバへ送信する能力を有するアプリケーションを埋め込むことにより行うことが可能である。それから新しい自己破壊例を、正例および/または負例の収集について前述したようものと類似のアプローチ(パイプライン)を用いて点検してもよい。それから新しいデータは、第2世代の表情認識システムを開発するための訓練に使用される。プロセスを、第3世代の表情認識システムなどを開発するため繰り返すことが可能である。 Thus, training data collected using the above approach can be used to generate first generation facial expressions using machine learning methods (eg, pattern recognizers, neural networks, support vector machines, Adaboost and other types of classifiers). It may be used to develop a recognition system. The technique can be further extended to collect data that “breaks” some versions (eg, the current version) of the facial expression recognizer. Thus, the system may be configured to ask the crowdsourcing provider to send the wrong image example. This can also be done by embedding an application that has the ability to send data to a central server. New self-destroying examples may then be checked using an approach (pipeline) similar to that described above for collecting positive and / or negative examples. The new data is then used for training to develop a second generation facial expression recognition system. The process can be repeated to develop a third generation facial expression recognition system and the like.
実施形態で、システムは、人々がその表情を通常認識するであろうが、認識器(すなわち、検出器または分類器)が怒りのようなその特定の情動の表情として識別しない状態を起こすであろう(そして幸福のような他のタイプの情動として識別する可能性がある)、特定の情動の表情(例えば怒り)の例を生成するよう、クラウドソーシング提供者に求める。または逆に、システムは、人々にある情動に対応する表情(例えば怒り)として見えないが、表情認識器(すなわち、検出器または分類器)はそれを特定の情動として識別する状態を起こすであろう表情の例を生成するよう、クラウドソーシング提供者に求める。それから提供者は、彼らがそのようなものとして識別する画像をシステムに送信するであろう。システムはそれらを受信し、適切な記載とともに格納するであろう。それから画像は、図2(ステップ225〜260)および図3に関連して記載したようなパイプラインを通して送信されるであろう。図4は、検出器を「壊す」そのようなデータを取得する方法400を示す。 In an embodiment, the system will cause a situation where people will normally recognize the facial expression, but the recognizer (ie, detector or classifier) does not identify it as the facial expression of that particular emotion, such as anger. Ask the crowdsourcing provider to generate an example of a facial expression (eg, anger) of deafness (and may be identified as other types of emotions such as happiness). Or conversely, the system does not appear as a facial expression (eg, anger) corresponding to an emotion in people, but a facial expression recognizer (ie, a detector or classifier) causes a condition to identify it as a particular emotion. Ask the crowdsourcing provider to generate an example of a deaf expression. The provider will then send images to the system that they identify as such. The system will receive them and store them with the appropriate description. The image will then be transmitted through the pipeline as described in connection with FIG. 2 (steps 225-260) and FIG. FIG. 4 illustrates a method 400 for acquiring such data that “breaks” the detector.
ステップ405で、第1のセットの提供者の1人または複数の提供者は、画像を生成する目標(前述の指示/命令と同様)を与えられ、表情は第1のタイプの表情に見えるが分類器は第1のタイプとして分類しない。あるいは、目標は第1のタイプの表情に見えない表情を作ることだが分類器は第1のタイプとして分類する、またはその逆である。例えば、第1のセットの提供者が怒りのように見える表情を作るよう求められるかもしれないが、現世代の分類器は怒りとして分類しない。または提供者が怒りのように見えない表情を作るよう求められるかもしれないが、分類器は怒りとして分類する。提供者に、彼らが生成する画像を分類器で分類する手段を提供してもよい。例えば、分類器をオンラインで利用可能にしてもよいし、または提供者の機器180上に設置してもよい。前述のように、第1のセットの提供者は、顔の表情認識において特別に訓練する必要はない。目標および/または指示/命令を、データベース160または他の場所に格納してもよい。
At
ステップ410で、第1のセットの提供者は表情を作り、それらを撮り、それらを分類器に対してテストする。例えば提供者は、彼らのそれぞれの機器180内のカメラを用いて彼らの画像を撮り、また機器180を用いて分類器にアクセスしてそれらをテストする。
At
特定の提供者が、彼または彼女が特定の画像での目標を達成したと満足していれば、提供者は、例えば画像をネットワーク190上で送信する状態を起こすメニューアイテムを選択することにより、画像をシステム100へ提出する。これはステップ415で行われる。
If a particular provider is satisfied that he or she has achieved a goal with a particular image, the provider can select a menu item that causes the image to be sent over the network 190, for example, Submit the image to the
ステップ420で、システム100は提供者が提出した画像を受信する。
In
ステップ422で、システムは、第1のセットの提供者が使用したものと同一の分類器および/または1つまたは複数の他の分類器を使用して、受信された画像をテストする。特定の画像が客観的な目標に合わない場合、画像は廃棄される。例えば、目標が怒りと分類される(しかし怒りに見えない)画像を取得することであり、システムが画像を分類器に提出したとき分類器の出力が怒りでない場合、そのとき画像を廃棄してもよい(方法内でさらに使用されない)。同様に、目標が怒りと分類されない(しかし人々には怒りに見える)画像を取得することである場合、そのとき分類器の出力が怒りに対応すれば画像を廃棄してもよい。
In
ステップ425で、第2のセットの提供者の1人または複数の提供者は、第1のセットの提供者が使用した主観的な目標について画像を評価するよう求められる。(第2のセットの提供者もまた、顔の表情認識において特別に訓練する必要はない。)直前の段落の例を続けると、第2のセットの提供者に画像が怒った顔かどうか尋ねてもよい。
At
実施形態で、第2のセットの提供者は、第1のセットの提供者と全く異なる。実施形態で、第2のセットの提供者と第1のセットの提供者の間で、少なくとも一部、または完全な重複があってもよい。実施形態で、第2のセットの提供者と第1のセットの提供者の間で、少なくとも一部、または完全な重複があってもよい。変形で、必ずしも限定しないが、提供者は自身が提出したその表情の画像を評価するよう求められない。 In an embodiment, the second set of providers is completely different from the first set of providers. In embodiments, there may be at least some or complete overlap between the second set of providers and the first set of providers. In embodiments, there may be at least some or complete overlap between the second set of providers and the first set of providers. Variations, but not necessarily limited, do not require the provider to evaluate the facial image submitted by the provider.
ステップ430で、第2のセットの提供者は主観的な基準に基き画像を評価し、機器180は第2のセットの提供者により与えられた評価を受信し、それらを例えばネットワーク190を通してシステム100へ送信する。システム100は、評価を受信する。評価は、単純なはい/いいえ(怒りのように見えるか怒りに見えないか)であってもよく、または、1から10の段階評価のようなより複雑なものであってもよい。
At
ステップ432で、画像が第1の予め定められた品質基準を用いてテストされ、ステップ435で、第1の予め定められた品質基準テストに合格した画像が、表情の専門家の要員により点検されるよう、(例えばシステムから電子的に)送信される。第1の品質基準は、例えば、訓練されていない提供者の少なくともN人が、表情が情動Xのそれに合致すると同意することであってもよい。数字Nは、絶対値の予め定められた閾値の数字(例えば5人)、度合の予め定められた閾値の数字(10人のうち6人のようなM人のうちN人)、予め定められた閾値の割合(例えば65%)であってもよい。ここで与えられた割合および数字は例示的なものであり、必ずしも限定するものではない。
In
ステップ440で、システム100は、点検された画像のそれぞれについて専門家の判断を受信し、その判断を格納する。
At
ステップ445で、画像を分類器を「壊す」例として受け付けるため、システムは第2の予め定められた品質基準を適用する。第2の品質基準を、例えば、少なくともP人の専門家が表情が情動Xのそれと合致する(または合致しない)と同意するといった、第1の予め定められた品質基準が設定された方法と類似の方法で、設定してもよい。数字Pは、絶対数、段階の数字、または割合であってもよい。
At
実施形態で、1人の専門家のみが用いられる。1人の専門家に、例えば画像を合格/不合格の原則で評価するよう、または特定のタイプの表情のそれぞれに関する画像にまたは3以上の可能な等級の中から等級を定めるよう求めてもよい。他の実施形態では、2人、3人、またはそれ以上の専門家が用いられる。 In an embodiment, only one expert is used. One expert may be asked to rate the image, for example, on the pass / fail principle, or to rank the image for each particular type of facial expression or from among three or more possible grades . In other embodiments, two, three, or more professionals are used.
ステップ450で、システムは、専門家が点検した画像のいくつかまたは全てを、データにより「壊された」分類器の訓練データとして選択する。
In
ステップ455で、分類器はデータを「壊す」ことにより訓練され、次世代の分類器になる。分類器をさらに精密化するよう、前述のステップを1回または複数回繰り返してもよい。
At
ステップ460で、分類器は、ステップ260について前述したような方法で使用される。
At
フローポイント499で、プロセスは終了する。必要に応じて全体または一部が繰り返される。
At
図5は、図2に関連して前述した方法200に基く反復方法500の選択されたステップ/ブロックを示す。しかしここで、判断ブロック556で、人間のラベラ/提供者(第2のセットの提供者でありうる)により付けられたラベルと訓練された分類器の対応する出力の間の不一致の発見に進むかどうかの判断がなされる。判断は、反復(例えば、2回、3回またはそれ以上)が終わった場合予め定められた数かどうか、または他の基準に基いてもよい。判断が進まないことであれば、プロセスフローはステップ560(方法200のステップ260と類似または同一)へ進み、訓練された表情認識器を使用する。
FIG. 5 illustrates selected steps / blocks of an iterative method 500 based on the
そうでなければ、プロセスフローはステップ557へ続き、そこで人間の評価と表情認識器の出力の間の不一致がある画像が選択される。例えば、全てのそのような画像を選択してもよい。 Otherwise, the process flow continues to step 557 where an image is selected that has a discrepancy between the human evaluation and the expression recognizer output. For example, all such images may be selected.
ステップ557からプロセスフローはステップ558へ続き、(第2のセットの提供者のような)人間のラベラに不一致を確認または拒絶するさらなる見解を要求する。そのような不一致が見つかったとき、プロセスは専門家に第2の見解を求めるよう続いてもよい。この第2の見解は、表情認識器の第2回(またはその次の)訓練に含まれる。プロセスを、数回繰り返してもよい(例えば第3、第4の見解などを求める)。基本的に、これは人間が付けるラベルを精密化する反復メカニズムである。このプロセスにより、全てのラベルについて第2、第3およびその後の見解は要求されないが、人間が付けたラベルとシステム出力の間に不一致があるときのみさらなる見解のために要求される。例えば、専門家は画像Xが恐れを表すと示し、表情認識器はそれが恐れを表さないと示す場合、画像Xはさらなる見解のために専門家に戻される。
From
図5は、プロセス200の改良版を示す。これらのプロセスを精密化するために、反復をもたらすよう類似した変更をプロセス300および400に行ってもよい。
FIG. 5 shows an improved version of the
この文書中で記載されたシステムおよびプロセスの機能を、特定の機能/構成要素/限定の存在または欠如が本質的に必要とされ、明確に示され、またはそうでなければ文脈から明瞭になる場合を除き、個々に、またはあらゆる組み合わせまたは再配列で提供してもよい。 The functions of the systems and processes described in this document are required where the presence or absence of specific functions / components / limitations is essentially required, clearly indicated, or otherwise clear from context May be provided individually or in any combination or rearrangement.
プロセスステップおよび判断(判断ブロックが存在する場合)をこの文書で連続的に記載したかもしれないが、あるステップおよび/または判断を、個々の構成要素により、連動してまたは並列で、非同期的にまたは同期的に、パイプライン型の方法で、または他により実行してもよい。特定の順序が本質的に必要とされ、明確に示され、またはそうでなければ文脈から明瞭になる場合を除き、ステップおよび判断は、この記載が列挙し、または図が示すのと同一の順序で実行される必要は特にない。さらに、この文書内で記載された概念による全ての実施形態で、全ての示されたステップおよび判断ブロックは必要とされないかもしれず、一方で概念によるいくつかの実施形態では、特に説明しなかったいくつかのステップおよび判断ブロックが、望ましくまたは必要があるかもしれない。しかし、特定の実施形態/変形/例は、ステップおよび判断(適用可能な場合)が示され、および/または記載された特定の順序を使用することに留意すべきである。 Although process steps and decisions (if a decision block exists) may have been described sequentially in this document, certain steps and / or decisions may be made asynchronously, in conjunction or in parallel, by individual components. Or it may be performed synchronously, in a pipelined manner, or otherwise. Unless the particular order is inherently required, clearly indicated, or otherwise clear from the context, the steps and judgments are listed in the same order that this description lists or shows There is no need to be executed in. Further, not all illustrated steps and decision blocks may be required in all embodiments according to the concepts described in this document, whereas some embodiments not conceptually described may not be required. These steps and decision blocks may be desirable or necessary. However, it should be noted that certain embodiments / variations / examples use the specific order in which steps and judgments (where applicable) are shown and / or described.
この文書で開示された実施形態、変形、および例の方法ステップに対応する命令(機械実行可能なコード)を、直接ハードウェアで、ソフトウェアで、ファームウェアで、またはそれらの組み合わせで実施してもよい。ソフトウェアモジュールを、揮発性メモリ、フラッシュメモリ、読み出し専用メモリ(ROM)、電気的にプログラム可能なROM(EPROM)、電気的に消去可能プログラム可能なROM(EEPROM)、ハードディスク、CD−ROM、DVD−ROM、または他の形態の揮発性または不揮発性の当業界で公知の非一過性の記憶媒体内に格納してもよい。1つまたは複数のプロセッサが記憶媒体から情報を読み出し、および記憶媒体へ情報を書き込み可能なように、例示の記憶媒体を1つまたは複数のプロセッサに接続してもよい。代わりに、記憶媒体は1つまたは複数のプロセッサと一体式であってもよい。 The instructions (machine-executable code) corresponding to the method steps of the embodiments, variations, and examples disclosed in this document may be implemented directly in hardware, software, firmware, or a combination thereof. . Software modules include volatile memory, flash memory, read only memory (ROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), hard disk, CD-ROM, DVD- It may be stored in ROM or other forms of non-transitory storage media known in the art that are volatile or non-volatile. An exemplary storage medium may be connected to one or more processors such that one or more processors can read information from, and write information to, the storage medium. In the alternative, the storage medium may be integral to the one or more processors.
この文書は、機械学習システムの訓練データの取得および使用について発明の機器、方法、および製造の物品をかなり詳細に記載している。これは、例示の目的のために行われた。特定の実施形態またはそれらの機能は、本発明の基本である全体の原理を必ずしも限定しない。本明細書に記載した本発明の趣旨および範囲から離れることなく、本明細書に記載された特定の機能は、いくつかの実施形態では使用されるかもしれないが、他では使用されないかもしれない。構成要素および種々のステップシーケンスの種々の物理的配置もまた、本発明の意図された範囲内に入る。前述の開示の多くのさらなる改良が意図され、一部のケースで他の機能の対応する使用がない場合、いくつかの機能が採用されることが、当業者に理解される。従って、例示の例は本発明の境界、および本発明がもたらす法的保護を必ずしも定義せず、その機能は請求項およびそれらの均等物により実行される。 This document describes in considerable detail the inventive devices, methods, and articles of manufacture for the acquisition and use of machine learning system training data. This was done for illustrative purposes. Particular embodiments or their functions do not necessarily limit the overall principles underlying the invention. Without departing from the spirit and scope of the invention described herein, the specific features described herein may be used in some embodiments but not in others. . Various physical arrangements of components and various step sequences are also within the intended scope of the present invention. It will be appreciated by those skilled in the art that many further improvements of the foregoing disclosure are contemplated, and some functions are employed in some cases where there is no corresponding use of other functions. Accordingly, the illustrative examples do not necessarily define the boundaries of the invention and the legal protection afforded by the invention, the function of which is performed by the claims and their equivalents.
Claims (20)
前記1つまたは複数の指示を提供するステップに応え、生成された画像を前記第1の複数の訓練されていない提供者から受信するステップと、
前記画像を評価する要求を、第2の複数の訓練されていない提供者に送信するステップと、
前記要求を送信するステップに応え、前記画像の評価を前記第2の複数の訓練されていない提供者から受信するステップと、
前記第2の複数の訓練されていない提供者により評価された前記画像に、第1の品質チェックをかけ、前記第1の品質チェックは前記第2の複数の訓練されていない提供者の前記評価に基き、前記第1の品質チェックをかけるステップは前記第1の品質チェックに合格した1つまたは複数の画像をもたらすステップと、
1人または複数の専門家による評価のため、前記第1の品質チェックに合格した前記1つまたは複数の画像を、前記1人または複数の専門家に送信するステップと、
前記第1の品質チェックに合格した前記1つまたは複数の画像を送信するステップに応え、前記1人または複数の専門家から1つまたは複数の評価を受信するステップと、
前記1人または複数の専門家に評価された前記画像に第2の品質チェックをかけ、前記第2の品質チェックは前記1人または複数の専門家の前記1つまたは複数の評価に基き、第2の品質チェックをかけるステップは前記第2の品質チェックに合格した1つまたは複数の画像をもたらすステップと
を含む、コンピュータにより実行される方法。 Providing one or more instructions to the first plurality of untrained providers to mimic a predetermined facial expression;
Responsive to providing the one or more instructions, receiving a generated image from the first plurality of untrained providers;
Sending a request to evaluate the image to a second plurality of untrained providers;
In response to transmitting the request, receiving an evaluation of the image from the second plurality of untrained providers;
The image evaluated by the second plurality of untrained providers is subjected to a first quality check, the first quality check being the evaluation of the second plurality of untrained providers. And applying the first quality check results in one or more images that pass the first quality check; and
Sending the one or more images that pass the first quality check to the one or more experts for evaluation by one or more experts;
In response to transmitting the one or more images that pass the first quality check, receiving one or more evaluations from the one or more professionals;
A second quality check is applied to the image evaluated by the one or more experts, the second quality check based on the one or more evaluations of the one or more experts, Applying the second quality check includes providing one or more images that pass the second quality check.
前記訓練のステップの後、前記分類器を使用して、前記分類器の訓練に使用されなかった新しい画像を分類するステップと、をさらに含み、
前記第1の品質チェックに合格しなかった前記画像は前記1人または複数の専門家に送信されない、
請求項1に記載のコンピュータにより実行される方法。 Training the machine learning classifier of the emotion, emotional state, or action unit associated with the predetermined facial expression using the one or more images that passed the second quality check;
After the training step, using the classifier to classify new images that were not used for training the classifier;
The image that did not pass the first quality check is not sent to the one or more professionals;
The computer-implemented method of claim 1.
前記不一致の画像を前記第2の複数の訓練されていない提供者に送信するステップと、
前記第2の複数の訓練されていない提供者から前記不一致の画像の評価を受信するステップと、
前記第2の複数の訓練されていない提供者により評価された前記不一致の画像に前記第1の品質チェックをかけ、不一致の画像に第1の品質チェックをかけるステップは、前記第1の品質チェックに合格した1つまたは複数の不一致の画像をもたらすステップと、
1人または複数の専門家による評価のため、前記第1の品質チェックに合格した前記1つまたは複数の不一致の画像を前記1人または複数の専門家に送信するステップと、
前記第1の品質チェックに合格した前記1つまたは複数の不一致の画像を送信するステップに応え、前記1人または複数の専門家から不一致の1つまたは複数の評価を受信するステップと、
前記1人または複数の専門家により評価された前記1つまたは複数の不一致の画像に前記第2の品質チェックをかけるステップと、
前記分類器を前記第2の品質チェックに合格した前記1つまたは複数の不一致の画像で訓練するステップと、
前記分類器の訓練のステップの後、前記分類器と前記1つまたは複数の不一致の画像を用いて、前記分類器の訓練で使用されなかった追加の新しい画像を分類するステップとをさらに含む、
請求項2に記載のコンピュータにより実行される方法。 A discrepancy between a label attached by the second plurality of untrained workers and a label attached by the machine learning classifier from the one or more images that passed the second quality check. Selecting a mismatched image that causes
Sending the mismatched image to the second plurality of untrained providers;
Receiving an evaluation of the discrepancy image from the second plurality of untrained providers;
Applying the first quality check to the non-matching images evaluated by the second plurality of untrained providers and performing a first quality check on the non-matching images comprises: Providing one or more non-matching images that pass
Sending the one or more inconsistent images that pass the first quality check to the one or more professionals for evaluation by one or more professionals;
In response to transmitting the one or more non-matching images that passed the first quality check, receiving one or more ratings of non-matching from the one or more professionals;
Applying the second quality check to the one or more inconsistent images evaluated by the one or more professionals;
Training the classifier with the one or more inconsistent images that passed the second quality check;
Further comprising, after the classifier training step, using the classifier and the one or more inconsistent images to classify additional new images that were not used in the classifier training;
The computer-implemented method of claim 2.
1つまたは複数の目標を提供するステップに応え、生成された画像を前記第1の複数の訓練されていない提供者から受信し、複数の受信された画像をもたらすステップと、
前記受信された画像を前記分類器でチェックし、前記分類器の出力に適用された予め定められた基準を満たさない画像を廃棄し、前記予め定められた基準に合格する客観的に適格な画像をもたらすステップと、
前記客観的に適格な画像内の前記予め定められた情動、感情状態、またはアクションユニットの発現に関して、前記客観的に適格な画像を評価する要求を、第2の複数の訓練されていない提供者に送信するステップと、
前記要求に応え、第2の複数の訓練されていない提供者の評価を受信するステップと、
前記第2の複数の訓練されていない提供者により評価された前記受信された画像に、第1の品質チェックをかけ、前記第1の品質チェックは前記第2の複数の訓練されていない提供者の前記評価に基き、第1の品質チェックをかけるステップは前記第1の品質チェックに合格した複数の画像をもたらすステップと、
前記第1の品質チェックに合格した前記複数の画像内の前記画像の前記予め定められた情動、感情状態、またはアクションユニットの発現に関して、1人または複数の専門家により前記第1の品質チェックに合格した前記複数の画像の前記画像を評価するため、前記第1の品質チェックに合格した前記複数の画像を、1人または複数の専門家に送信するステップと、
前記第1の品質チェックに合格した前記複数の画像を送信するステップに応え、前記1人または複数の専門家から評価を受信するステップと、
前記1人または複数の専門家に評価された前記画像に第2の品質チェックをかけ、前記第2の品質チェックは前記1人または複数の専門家の前記評価に基き、第2の品質チェックをかけるステップは前記第2の品質チェックに合格した1つまたは複数の画像をもたらすステップと
を含む、
コンピュータにより実行される方法。 Providing the first plurality of untrained providers with one or more goals to break the classifier, the classifier including a predetermined emotion, emotional state associated with the predetermined facial expression, Or the machine learning classifier of the predetermined facial expression of the action unit;
Responsive to providing one or more goals, receiving generated images from the first plurality of untrained providers and providing a plurality of received images;
An objectively qualified image that checks the received image with the classifier, discards images that do not meet the predetermined criteria applied to the output of the classifier, and passes the predetermined criteria Steps to bring
A second plurality of untrained providers requesting that the objectively qualified image be evaluated for expression of the predetermined emotion, emotional state, or action unit within the objectively qualified image. Sending to
Responding to the request and receiving an evaluation of a second plurality of untrained providers;
A first quality check is applied to the received image evaluated by the second plurality of untrained providers, the first quality check being the second plurality of untrained providers. Applying a first quality check based on the evaluation of: providing a plurality of images that pass the first quality check;
The first quality check is performed by one or more experts on the expression of the predetermined emotion, emotional state, or action unit of the images in the plurality of images that pass the first quality check. Transmitting the plurality of images that pass the first quality check to one or more professionals to evaluate the images of the plurality of images that have passed;
In response to transmitting the plurality of images that passed the first quality check, receiving an evaluation from the one or more professionals;
A second quality check is applied to the image evaluated by the one or more experts, and the second quality check is based on the evaluation of the one or more experts. Applying comprises providing one or more images that pass the second quality check;
A method performed by a computer.
前記第1の品質チェックに合格しない前記客観的に適格な画像が前記1人または複数の専門家に送信されず、
前記方法がさらに、
前記予め定められた情動、感情状態、またはアクションユニットの発現の正例として前記第2の品質チェックに合格した前記1つまたは複数の画像を用いて前記分類器を訓練するステップと、
前記訓練のステップの後に前記分類器を使用するステップと
を含む、
請求項10に記載のコンピュータにより実行される方法。 The one or more goals include generating a positive example image that causes the classifier to indicate a condition that the predetermined emotion, emotional state, or action unit is absent, wherein the example image comprises: Visible as a predetermined emotion, emotional state, or action unit expression,
The objectively qualified image that does not pass the first quality check is not transmitted to the one or more professionals;
The method further comprises:
Training the classifier using the one or more images that pass the second quality check as positive examples of the expression of the predetermined emotion, emotional state, or action unit;
Using the classifier after the training step,
The computer-implemented method of claim 10.
前記第1の品質チェックに合格しない前記客観的に適格な画像が前記1人または複数の専門家に送信されず、
前記方法がさらに、
前記予め定められた情動、感情状態、またはアクションユニットの発現の負例として前記第2の品質チェックに合格した前記1つまたは複数の画像を用いて前記分類器を訓練するステップと、
前記訓練のステップの後に前記分類器を使用するステップと
を含む、
請求項10に記載のコンピュータにより実行される方法。 The one or more goals include generating a negative example image in which the classifier causes the predetermined emotion, emotional state, or state of action unit to develop, wherein the example image is the predetermined Invisible emotions, emotional states, or action unit expressions,
The objectively qualified image that does not pass the first quality check is not transmitted to the one or more professionals;
The method further comprises:
Training the classifier using the one or more images that pass the second quality check as a negative example of the expression of the predetermined emotion, emotional state, or action unit;
Using the classifier after the training step,
The computer-implemented method of claim 10.
予め定められた情動、感情状態、またはアクションユニットの表情をまねるための1つまたは複数の指示を格納し、前記少なくとも1つのプロセッサに接続された少なくともメモリ装置と、
前記少なくとも1つのプロセッサへ、および少なくとも1つのネットワークへ接続された少なくとも1つのネットワークインタフェースと
を備え、
前記少なくとも1つのプロセッサが、前記少なくとも1つのネットワークインタフェースを通して、1つまたは複数の指示を第1の複数の訓練されていない提供者に送信し、前記少なくとも1つのネットワークインタフェースを通して、前記1つまたは複数の指示に応え生成された画像を前記第1の複数の訓練されていない提供者から受信し、前記少なくとも1つのネットワークインタフェースを通して、前記画像を評価する要求を、第2の複数の訓練されていない提供者に送信し、前記少なくとも1つのネットワークインタフェースを通して、前記要求に応えた前記第2の複数の訓練されていない提供者の評価を受信し、前記第2の複数の訓練されていない提供者により評価された前記画像に、第1の品質チェックをかけ、前記第1の品質チェックは前記第2の複数の訓練されていない提供者の前記評価に基き、それによって前記第1の品質チェックに合格した1つまたは複数の画像を取得し、1人または複数の専門家による評価のため、前記第1の品質チェックに合格した前記1つまたは複数の画像を、前記1人または複数の専門家に送信し、前記1人または複数の専門家へ送信された前記第1の品質チェックに合格した前記1つまたは複数の画像に応えて作られた1つまたは複数の評価を、前記1人または複数の専門家から受信し、前記1人または複数の専門家に評価された前記画像に第2の品質チェックをかけ、前記第2の品質チェックは前記1人または複数の専門家の前記1つまたは複数の評価に基き、それによって前記第2の品質チェックに合格した1つまたは複数の画像を取得し、前記第2の品質チェックに合格した前記1つまたは複数の画像を用いて分類器を訓練するよう構成され、
前記少なくとも1つのプロセッサが、前記第1の品質チェックに合格しなかった画像が1人または複数の専門家に送信されないように構成された、
コンピュータシステム。 At least one processor;
At least a memory device storing one or more instructions for mimicking a predetermined emotion, emotional state, or expression of an action unit, and connected to the at least one processor;
And at least one network interface connected to said at least one processor and to at least one network;
The at least one processor sends one or more instructions to the first plurality of untrained providers through the at least one network interface, and through the at least one network interface, the one or more Receiving a request from the first plurality of untrained providers and evaluating the image through the at least one network interface to generate a second plurality of untrained images. Send to a provider and receive, via the at least one network interface, an evaluation of the second plurality of untrained providers in response to the request, and by the second plurality of untrained providers The evaluated image is subjected to a first quality check, and the first quality is checked. Is based on the evaluation of the second plurality of untrained providers, thereby obtaining one or more images that have passed the first quality check and evaluated by one or more professionals The one or more images that pass the first quality check are transmitted to the one or more professionals and the first quality transmitted to the one or more professionals. One or more evaluations made in response to the one or more images that pass a check are received from the one or more professionals and evaluated by the one or more professionals Subjecting the image to a second quality check, wherein the second quality check is based on the one or more evaluations of the one or more professionals, thereby passing the second quality check or plural Get the image, configured to train the classifier using the one or more images have passed the second quality check,
The at least one processor is configured such that images that do not pass the first quality check are not sent to one or more professionals;
Computer system.
予め定められた情動、感情状態、またはアクションユニットの表情の分類器を壊す1つまたは複数の目標を格納し、前記少なくとも1つのプロセッサに接続された少なくとも1つのメモリ装置と、
前記少なくとも1つのプロセッサへ、および少なくとも1つのネットワークへ接続された少なくとも1つのネットワークインタフェースと、を備え、
前記少なくとも1つのプロセッサが、前記少なくとも1つのネットワークインタフェースを通して、1つまたは複数の目標を第1の複数の訓練されていない提供者に送信し、前記少なくとも1つのネットワークインタフェースを通して、前記目標に応え生成された画像を前記第1の複数の訓練されていない提供者から受信し、前記分類器で前記受信された画像をチェックし、予め定められた基準を満たす客観的に適格な画像を取得し、前記少なくとも1つのネットワークインタフェースを通して、前記客観的に適格な画像内の前記予め定められた情動、感情状態、またはアクションユニットの表情の発現に関して前記客観的に適格な画像を評価する要求を、第2の複数の訓練されていない提供者に送信し、前記少なくとも1つのネットワークインタフェースを通して、前記客観的に適格な画像を評価する前記要求に応えた前記第2の複数の訓練されていない提供者の評価を受信し、前記第2の複数の訓練されていない提供者により評価された前記客観的に適格な画像に、第1の品質チェックをかけ、前記第1の品質チェックは前記第2の複数の訓練されていない提供者の評価に基き、それによって前記第1の品質チェックに合格した1つまたは複数の画像を取得し、前記第1の品質チェックに合格した前記1つまたは複数の画像の前記予め定められた情動、感情状態、またはアクションユニットの表情の発現に関する1人または複数の専門家による評価のため、前記第1の品質チェックに合格した前記1つまたは複数の画像を、前記1人または複数の専門家に送信し、前記1人または複数の専門家へ送信された前記第1の品質チェックに合格した前記1つまたは複数の画像に応えて作られた1つまたは複数の評価を、前記1人または複数の専門家から受信し、1人または複数の専門家へ送信された前記第1の品質チェックに合格した前記1つまたは複数の画像に応えて作られた1つまたは複数の評価を1人または複数の専門家から受信し、前記1人または複数の専門家に評価された前記画像に第2の品質チェックをかけ、前記第2の品質チェックは前記1人または複数の専門家の前記1つまたは複数の評価に基き、それによって前記第2の品質チェックに合格した1つまたは複数の画像を取得し、前記予め定められた情動、感情状態、またはアクションユニットの表情の発現または非発現の例として、前記第2の品質チェックに合格した前記1つまたは複数の画像を用いて分類器を訓練するよう構成され、
前記少なくとも1つのプロセッサが、前記第1の品質チェックに合格しなかった客観的に適格な画像が前記1人または複数の専門家に送信されないように構成された、
コンピュータシステム。 At least one processor;
At least one memory device storing one or more targets for breaking a predetermined emotion, emotional state, or action unit facial expression classifier and connected to the at least one processor;
And at least one network interface connected to said at least one processor and to at least one network;
The at least one processor sends one or more goals to the first plurality of untrained providers through the at least one network interface and generates in response to the goals through the at least one network interface. Received images from the first plurality of untrained providers, check the received images with the classifier, and obtain objectively qualified images that meet predetermined criteria; A request to evaluate the objectively qualified image with respect to the expression of the predetermined emotion, emotional state, or action unit expression in the objectively qualified image through the at least one network interface; Sending to a plurality of untrained providers of the at least one network Through the interface, receiving an evaluation of the second plurality of untrained providers in response to the request to evaluate the objectively qualified image, and evaluating by the second plurality of untrained providers Subjecting the objectively qualified image to a first quality check, wherein the first quality check is based on an evaluation of the second plurality of untrained providers and thereby the first quality check. 1 relating to the expression of the predetermined emotion, emotional state, or expression of the action unit of the one or more images that acquired one or more images that passed the check and passed the first quality check Sending the one or more images that pass the first quality check to the one or more professionals for evaluation by a person or a plurality of professionals; Receiving from the one or more professionals one or more assessments made in response to the one or more images that have passed the first quality check sent to a plurality of professionals; Receiving from one or more professionals one or more assessments made in response to the one or more images that have passed the first quality check sent to one or more professionals; Applying a second quality check to the image evaluated by the one or more experts, wherein the second quality check is based on the one or more evaluations of the one or more experts; As an example of the expression or non-expression of the predetermined emotion, emotional state, or expression of the action unit by acquiring one or more images thereby passing the second quality check, the second quality Check Configured to train a classifier using the one or more images that pass
The at least one processor is configured to prevent objectively qualified images that have not passed the first quality check from being sent to the one or more professionals;
Computer system.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361762820P | 2013-02-08 | 2013-02-08 | |
US61/762,820 | 2013-02-08 | ||
PCT/US2014/015654 WO2014124407A2 (en) | 2013-02-08 | 2014-02-10 | Collection of machine learning training data for expression recognition |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016517052A true JP2016517052A (en) | 2016-06-09 |
Family
ID=51300278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015557184A Pending JP2016517052A (en) | 2013-02-08 | 2014-02-10 | Collecting machine learning training data for facial expression recognition |
Country Status (8)
Country | Link |
---|---|
US (3) | US9008416B2 (en) |
EP (1) | EP2954459A4 (en) |
JP (1) | JP2016517052A (en) |
KR (1) | KR20150140644A (en) |
CN (1) | CN105359166B (en) |
AU (1) | AU2014214662B2 (en) |
CA (1) | CA2900765A1 (en) |
WO (1) | WO2014124407A2 (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017224080A (en) * | 2016-06-14 | 2017-12-21 | 株式会社エンルートM’s | Learning data generation device, method and program therefor |
JP2019067026A (en) * | 2017-09-29 | 2019-04-25 | 富士フイルム株式会社 | Discrimination result providing device, operation method of discrimination result providing device, discrimination result providing program, and discrimination result providing system |
JP2021099781A (en) * | 2019-12-23 | 2021-07-01 | クラウドワークス インコーポレイテッドCrowdWorks, Inc. | Method of increasing or decreasing number of workers and inspectors in crowdsourcing-based project for creating artificial intelligence learning data |
JPWO2022003843A1 (en) * | 2020-06-30 | 2022-01-06 | ||
US11531909B2 (en) | 2017-06-30 | 2022-12-20 | Abeja, Inc. | Computer system and method for machine learning or inference |
Families Citing this family (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210279514A1 (en) * | 2010-06-07 | 2021-09-09 | Affectiva, Inc. | Vehicle manipulation with convolutional image processing |
EP2915101A4 (en) * | 2012-11-02 | 2017-01-11 | Itzhak Wilf | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person |
KR20150140644A (en) * | 2013-02-08 | 2015-12-16 | 이모션트 | Collection of machine learning training data for expression recognition |
WO2014127065A2 (en) * | 2013-02-12 | 2014-08-21 | Emotient | Facial expression measurement for assessment, monitoring, and treatment evaluation of affective and neurological disorders |
US10032091B2 (en) | 2013-06-05 | 2018-07-24 | Emotient, Inc. | Spatial organization of images based on emotion face clouds |
US9817960B2 (en) | 2014-03-10 | 2017-11-14 | FaceToFace Biometrics, Inc. | Message sender security in messaging system |
US10275583B2 (en) | 2014-03-10 | 2019-04-30 | FaceToFace Biometrics, Inc. | Expression recognition in messaging systems |
US9779294B2 (en) * | 2014-12-31 | 2017-10-03 | Xiaomi Inc. | Methods and devices for classifying pictures |
US9610893B2 (en) | 2015-03-18 | 2017-04-04 | Car1St Technologies, Llc | Methods and systems for providing alerts to a driver of a vehicle via condition detection and wireless communications |
US10328855B2 (en) | 2015-03-18 | 2019-06-25 | Uber Technologies, Inc. | Methods and systems for providing alerts to a connected vehicle driver and/or a passenger via condition detection and wireless communications |
CN104820687A (en) * | 2015-04-22 | 2015-08-05 | 中国科学院信息工程研究所 | Construction method of directed link type classifier and classification method |
US10878308B2 (en) * | 2015-12-02 | 2020-12-29 | Abhishek Biswas | Method and system for detecting emotions based on typing behaviour |
US20170169715A1 (en) * | 2015-12-09 | 2017-06-15 | Nese Alyuz Civitci | User state model adaptation through machine driven labeling |
US10438111B2 (en) * | 2016-01-05 | 2019-10-08 | Evolv Technology Solutions, Inc. | Machine learning based webinterface generation and testing system |
US10534955B2 (en) * | 2016-01-22 | 2020-01-14 | Dreamworks Animation L.L.C. | Facial capture analysis and training system |
ES2964705T3 (en) * | 2016-05-06 | 2024-04-09 | Univ Leland Stanford Junior | Mobile and portable video capture and feedback platforms for the therapy of mental disorders |
US9767349B1 (en) * | 2016-05-09 | 2017-09-19 | Xerox Corporation | Learning emotional states using personalized calibration tasks |
CA3024078C (en) | 2016-05-29 | 2024-04-09 | Wix.Com Ltd. | Creation and update of hierarchical websites based on collected business knowledge |
US10679144B2 (en) | 2016-07-12 | 2020-06-09 | International Business Machines Corporation | Generating training data for machine learning |
CN107786867A (en) * | 2016-08-26 | 2018-03-09 | 原相科技股份有限公司 | Image identification method and system based on deep learning architecture |
KR102252298B1 (en) * | 2016-10-21 | 2021-05-14 | 삼성전자주식회사 | Method and apparatus for recognizing facial expression |
US20180308180A1 (en) * | 2016-10-30 | 2018-10-25 | B.Z.W Ltd. | Systems Methods Devices Circuits and Computer Executable Code for Impression Measurement and Evaluation |
US10650227B2 (en) * | 2016-10-31 | 2020-05-12 | Google Llc | Face reconstruction from a learned embedding |
US20180124437A1 (en) * | 2016-10-31 | 2018-05-03 | Twenty Billion Neurons GmbH | System and method for video data collection |
BR112019012818A2 (en) | 2016-12-21 | 2019-12-31 | Wix Com Ltd | message system, and method |
US10860841B2 (en) | 2016-12-29 | 2020-12-08 | Samsung Electronics Co., Ltd. | Facial expression image processing method and apparatus |
CN108257162B (en) * | 2016-12-29 | 2024-03-05 | 北京三星通信技术研究有限公司 | Method and device for synthesizing facial expression image |
US11403532B2 (en) | 2017-03-02 | 2022-08-02 | Cognizant Technology Solutions U.S. Corporation | Method and system for finding a solution to a provided problem by selecting a winner in evolutionary optimization of a genetic algorithm |
US10726196B2 (en) | 2017-03-03 | 2020-07-28 | Evolv Technology Solutions, Inc. | Autonomous configuration of conversion code to control display and functionality of webpage portions |
CN107016244A (en) * | 2017-04-10 | 2017-08-04 | 厦门波耐模型设计有限责任公司 | A kind of beauty and shaping effect evaluation system and implementation method |
US10740823B1 (en) * | 2017-04-28 | 2020-08-11 | Wells Fargo Bank, N.A. | Financial alert system based on image of user spending behavior |
CN107257338B (en) * | 2017-06-16 | 2018-09-28 | 腾讯科技(深圳)有限公司 | media data processing method, device and storage medium |
JP7027070B2 (en) | 2017-08-31 | 2022-03-01 | キヤノン株式会社 | Information processing equipment, information processing methods, and programs |
US10836393B2 (en) * | 2017-12-10 | 2020-11-17 | Anatoly S. Weiser | Smart traffic control devices and beacons, methods of their operation, and use by vehicles of information provided by the devices and beacons |
US11574201B2 (en) | 2018-02-06 | 2023-02-07 | Cognizant Technology Solutions U.S. Corporation | Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms |
KR102117563B1 (en) | 2018-05-16 | 2020-06-02 | 세종대학교산학협력단 | Method for data extensions in image processing and apparatus thereof |
CN109165674A (en) * | 2018-07-19 | 2019-01-08 | 南京富士通南大软件技术有限公司 | A kind of certificate photo classification method based on multi-tag depth convolutional network |
US11755979B2 (en) | 2018-08-17 | 2023-09-12 | Evolv Technology Solutions, Inc. | Method and system for finding a solution to a provided problem using family tree based priors in Bayesian calculations in evolution based optimization |
US10866635B2 (en) | 2018-09-13 | 2020-12-15 | Toyota Research Institute, Inc. | Systems and methods for capturing training data for a gaze estimation model |
CN109086837A (en) * | 2018-10-24 | 2018-12-25 | 高嵩 | User property classification method, storage medium, device and electronic equipment based on convolutional neural networks |
CN109508669B (en) * | 2018-11-09 | 2021-07-23 | 厦门大学 | Facial expression recognition method based on generative confrontation network |
CN109470708A (en) * | 2018-11-30 | 2019-03-15 | 北京百度网讯科技有限公司 | Quality determining method, device, server and the storage medium of plastic foam cutlery box |
US20200175383A1 (en) * | 2018-12-03 | 2020-06-04 | Clover Health | Statistically-Representative Sample Data Generation |
US10977520B2 (en) | 2018-12-18 | 2021-04-13 | Slyce Acquisition Inc. | Training data collection for computer vision |
CN111354376A (en) * | 2018-12-21 | 2020-06-30 | Tcl集团股份有限公司 | Automatic performance capability evaluation method and device and intelligent terminal |
CN109871807B (en) * | 2019-02-21 | 2023-02-10 | 百度在线网络技术(北京)有限公司 | Face image processing method and device |
US11727265B2 (en) * | 2019-06-27 | 2023-08-15 | Intel Corporation | Methods and apparatus to provide machine programmed creative support to a user |
CN110610754A (en) * | 2019-08-16 | 2019-12-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | Immersive wearable diagnosis and treatment device |
CN110688321B (en) * | 2019-09-29 | 2022-07-08 | 南京大学 | Method for enhancing mobile application test by combining group intelligence and machine intelligence |
CN115605889A (en) | 2020-01-03 | 2023-01-13 | 易识有限公司(Gb) | Method for determining damage to vehicle parts |
US12039732B2 (en) | 2021-04-14 | 2024-07-16 | The Procter & Gamble Company | Digital imaging and learning systems and methods for analyzing pixel data of a scalp region of a users scalp to generate one or more user-specific scalp classifications |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009078A1 (en) * | 1999-10-29 | 2003-01-09 | Elena A. Fedorovskaya | Management of physiological and psychological state of an individual using images congnitive analyzer |
US6571216B1 (en) * | 2000-01-14 | 2003-05-27 | International Business Machines Corporation | Differential rewards with dynamic user profiling |
US6931147B2 (en) * | 2001-12-11 | 2005-08-16 | Koninklijke Philips Electronics N.V. | Mood based virtual photo album |
JP2005044330A (en) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | Weak hypothesis generation device and method, learning device and method, detection device and method, expression learning device and method, expression recognition device and method, and robot device |
US20070047786A1 (en) * | 2005-08-25 | 2007-03-01 | Lenovo (Singapore) Pte. Ltd. | System and method for creating robust training data from MRI images |
WO2007043712A1 (en) * | 2005-10-14 | 2007-04-19 | Nagasaki University | Emotion evaluating method and emotion indicating method, and program, recording medium, and system for the methods |
WO2008127235A2 (en) * | 2007-04-13 | 2008-10-23 | Avisere, Inc. | Machine vision system for enterprise management |
KR100876786B1 (en) * | 2007-05-09 | 2009-01-09 | 삼성전자주식회사 | System and method for verifying user's face using light masks |
RU2007119908A (en) * | 2007-05-29 | 2008-12-10 | Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко. | ADAPTIVE TO THE GALLERY METHOD AND FACE RECOGNITION SYSTEM |
US8462996B2 (en) * | 2008-05-19 | 2013-06-11 | Videomining Corporation | Method and system for measuring human response to visual stimulus based on changes in facial expression |
US8447643B2 (en) * | 2008-06-02 | 2013-05-21 | Melvin L. Barnes, Jr. | System and method for collecting and distributing reviews and ratings |
US8219438B1 (en) * | 2008-06-30 | 2012-07-10 | Videomining Corporation | Method and system for measuring shopper response to products based on behavior and facial expression |
US8798374B2 (en) * | 2008-08-26 | 2014-08-05 | The Regents Of The University Of California | Automated facial action coding system |
JP5127067B2 (en) * | 2009-03-06 | 2013-01-23 | パナソニック株式会社 | Image search apparatus and image search method |
KR20100110127A (en) * | 2009-04-02 | 2010-10-12 | 삼성전자주식회사 | Storing method of image data, digital photographing apparatus, controlling method of digital photographing apparatus, and recording medium storing program to implement the controlling method |
US8194938B2 (en) * | 2009-06-02 | 2012-06-05 | George Mason Intellectual Properties, Inc. | Face authentication using recognition-by-parts, boosting, and transduction |
US9135277B2 (en) * | 2009-08-07 | 2015-09-15 | Google Inc. | Architecture for responding to a visual query |
US9134816B2 (en) * | 2009-11-11 | 2015-09-15 | Erik Dahlkvist | Method for using virtual facial and bodily expressions |
US8379999B2 (en) * | 2011-01-18 | 2013-02-19 | Chanan Gabay | Methods, circuits, devices, apparatuses and systems for providing image composition rules, analysis and improvement |
CN102637255A (en) * | 2011-02-12 | 2012-08-15 | 北京千橡网景科技发展有限公司 | Method and device for processing faces contained in images |
WO2012115819A1 (en) * | 2011-02-24 | 2012-08-30 | 3M Innovative Properties Company | System for detection of non-uniformities in web-based materials |
KR20130136557A (en) * | 2011-04-11 | 2013-12-12 | 인텔 코오퍼레이션 | Personalized advertisement selection system and method |
US20130243270A1 (en) * | 2012-03-16 | 2013-09-19 | Gila Kamhi | System and method for dynamic adaption of media based on implicit user input and behavior |
KR20150140644A (en) * | 2013-02-08 | 2015-12-16 | 이모션트 | Collection of machine learning training data for expression recognition |
US20140279583A1 (en) * | 2013-03-14 | 2014-09-18 | Lex Machina, Inc. | Systems and Methods for Classifying Entities |
CN104680120B (en) * | 2013-12-02 | 2018-10-19 | 华为技术有限公司 | A kind of generation method and device of the strong classifier of Face datection |
KR102200950B1 (en) * | 2014-03-14 | 2021-01-12 | 삼성전자주식회사 | Object recognition apparatus and control method thereof |
WO2015143580A1 (en) * | 2014-03-28 | 2015-10-01 | Huawei Technologies Co., Ltd | Method and system for verifying facial data |
US9978362B2 (en) * | 2014-09-02 | 2018-05-22 | Microsoft Technology Licensing, Llc | Facet recommendations from sentiment-bearing content |
US9779294B2 (en) * | 2014-12-31 | 2017-10-03 | Xiaomi Inc. | Methods and devices for classifying pictures |
KR102379171B1 (en) * | 2015-02-27 | 2022-03-25 | 삼성전자주식회사 | Electronic device and method for displaying picture thereof |
US9767349B1 (en) * | 2016-05-09 | 2017-09-19 | Xerox Corporation | Learning emotional states using personalized calibration tasks |
CA3024078C (en) * | 2016-05-29 | 2024-04-09 | Wix.Com Ltd. | Creation and update of hierarchical websites based on collected business knowledge |
-
2014
- 2014-02-10 KR KR1020157024413A patent/KR20150140644A/en not_active Application Discontinuation
- 2014-02-10 CA CA2900765A patent/CA2900765A1/en not_active Abandoned
- 2014-02-10 US US14/177,174 patent/US9008416B2/en not_active Expired - Fee Related
- 2014-02-10 EP EP14749658.2A patent/EP2954459A4/en not_active Withdrawn
- 2014-02-10 JP JP2015557184A patent/JP2016517052A/en active Pending
- 2014-02-10 WO PCT/US2014/015654 patent/WO2014124407A2/en active Application Filing
- 2014-02-10 AU AU2014214662A patent/AU2014214662B2/en not_active Ceased
- 2014-02-10 CN CN201480020227.0A patent/CN105359166B/en not_active Expired - Fee Related
-
2015
- 2015-03-12 US US14/656,687 patent/US9779289B2/en not_active Expired - Fee Related
-
2017
- 2017-09-25 US US15/714,486 patent/US10248851B2/en active Active
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017224080A (en) * | 2016-06-14 | 2017-12-21 | 株式会社エンルートM’s | Learning data generation device, method and program therefor |
US11531909B2 (en) | 2017-06-30 | 2022-12-20 | Abeja, Inc. | Computer system and method for machine learning or inference |
JP2019067026A (en) * | 2017-09-29 | 2019-04-25 | 富士フイルム株式会社 | Discrimination result providing device, operation method of discrimination result providing device, discrimination result providing program, and discrimination result providing system |
JP2021099781A (en) * | 2019-12-23 | 2021-07-01 | クラウドワークス インコーポレイテッドCrowdWorks, Inc. | Method of increasing or decreasing number of workers and inspectors in crowdsourcing-based project for creating artificial intelligence learning data |
JP7097412B2 (en) | 2019-12-23 | 2022-07-07 | クラウドワークス インコーポレイテッド | Increase / decrease operation device for workers and inspectors of crowdsourcing infrastructure project for generating artificial intelligence learning data |
JPWO2022003843A1 (en) * | 2020-06-30 | 2022-01-06 | ||
WO2022003843A1 (en) * | 2020-06-30 | 2022-01-06 | 富士通株式会社 | Determination program, determination device, and determination method |
JP7311046B2 (en) | 2020-06-30 | 2023-07-19 | 富士通株式会社 | Judgment program, judgment device, and judgment method |
Also Published As
Publication number | Publication date |
---|---|
US9779289B2 (en) | 2017-10-03 |
AU2014214662B2 (en) | 2019-07-11 |
KR20150140644A (en) | 2015-12-16 |
CA2900765A1 (en) | 2014-08-14 |
WO2014124407A3 (en) | 2014-11-13 |
CN105359166A (en) | 2016-02-24 |
AU2014214662A1 (en) | 2015-08-27 |
US10248851B2 (en) | 2019-04-02 |
US20180012067A1 (en) | 2018-01-11 |
CN105359166B (en) | 2018-11-09 |
US20150186712A1 (en) | 2015-07-02 |
US20140321737A1 (en) | 2014-10-30 |
EP2954459A2 (en) | 2015-12-16 |
WO2014124407A2 (en) | 2014-08-14 |
US9008416B2 (en) | 2015-04-14 |
EP2954459A4 (en) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2016517052A (en) | Collecting machine learning training data for facial expression recognition | |
US9552535B2 (en) | Data acquisition for machine perception systems | |
US20160071024A1 (en) | Dynamic hybrid models for multimodal analysis | |
CN105493130A (en) | Adaptive learning environment driven by real-time identification of engagement level | |
US11475788B2 (en) | Method and system for evaluating and monitoring compliance using emotion detection | |
Khan | Multimodal behavioral analytics in intelligent learning and assessment systems | |
Haines et al. | Using automated computer vision and machine learning to code facial expressions of affect and arousal: Implications for emotion dysregulation research | |
Alshammari et al. | Robotics utilization in automatic vision-based assessment systems from artificial intelligence perspective: A systematic review | |
Derbali et al. | Autism spectrum disorder detection: Video games based facial expression diagnosis using deep learning | |
Lima et al. | Software with biofeedback to assist people with Down syndrome | |
Mejia-Escobar et al. | Improving Facial Expression Recognition through Data Preparation & Merging | |
Reji et al. | A compact deep learning model for robust facial expression recognition | |
Hamid et al. | Engagement prediction in the adaptive learning model for students with dyslexia | |
Rathi et al. | Embedding affect awareness into online learning environment using deep neural network | |
Utami et al. | A Brief Study of The Use of Pattern Recognition in Online Learning: Recommendation for Assessing Teaching Skills Automatically Online Based | |
Bhardwaj et al. | A study on human emotion detection | |
Lin et al. | Computational analyses of thin-sliced behavior segments in session-level affect perception | |
González-Meneses et al. | Automatic Recognition of Learning-Centered Emotions | |
Rhamie et al. | Advanced convolutional neural network for accurate detection of different facial expression | |
Guhan et al. | Developing an effective and automated patient engagement estimator for telehealth: A machine learning approach | |
Divya Venkatesh et al. | Studying Human Factors Aspects of Text Classification Task Using Eye Tracking | |
Borg et al. | InclusiveRender A metaverse Engine prototype to support Accessible Environments for people with ASD | |
T. Gapi et al. | Classification of Attentiveness on Virtual Classrooms using Deep Learning for Computer Vision | |
Wijeratne et al. | Computer Vision and NLP based Multimodal Ensemble Attentiveness Detection API for E-Learning | |
Ansari et al. | EADMS: A systemic approach to map emotions with Bloom's Affective Domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20160622 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20160630 |